在数字经济下专业平台的财资运行过程中，“数据＋交易＋算法”的运营方式日益主流，并最终趋向于一个“智能化交易处理＋智慧化财资管理”的形态。数据成为资产，不仅仅发生在企业内部，同样使整个产业链发生了变化。

文 | 董兴荣

来源 |《财资中国|财富风尚》杂志2017年11月刊，有删减

大数据和云计算等技术的融合推动了物联网的迅速发展，实现了人与人、人与物、物与物的互联互通，导致数据量呈现爆发式增长。大数据成为“未来的新石油”，成为数字经济中的“货币”。

随着现实世界越来越多地被互联网化、物联网化，人类的消费习惯和生产方式也悄然发生改变，而且伴随智能设备、传感技术、识别技术和超级工厂等的发展和普及，万物和互联网连接，企业的经营行为（采购、生产、销售、运营等一切行为）、用户需求、生产要素转化成商流、物流、资金流，并最终汇集成数据流，在企业数据池中进行二次裂变，转化成强有力的生产力。比如美的电器跟阿里云合作推出了可以联网的产品，并且基于这些产品收集的数据进行业务转型。

万物互联的世界产生的海量数据需要企业智能化的识别、管理、挖掘和应用，这些都离不开“互联网+”的新基础设施：云（云计算、大数据）、网（互联网、物联网）、端（设备终端、用户/消费者）。

数据＋算法＋场景/产品构成了未来智能商业的闭环，其中数据为智能商业的基础。阿里巴巴集团首席战略官曾鸣先生在《智能商业：数据时代的新商业范式》一文中提到，“用户行为通过产品的‘端’实时反馈到数据智能的‘云’，‘云’上的优化结果又通过‘端’实时提升用户体验。在这样的反馈闭环中，数据既是高速流动的介质，又持续增值；算法既是推动反馈闭环运转的引擎，又持续优化；产品既是反馈闭环的载体，又持续改进功能，为用户提供更赞的产品体验的同时，也促使数据反馈更低成本、更高效率地发生。一言以蔽之，数据、算法和产品就是在反馈闭环中完成了智能商业的三位一体的。”

数字经济2.0可以大致分为四层架构：支撑层，包括基础设施和基础技术；数据层，是整个经济体系的数据引擎；商业层，是基于支撑层和数据层的经济活动；治理层，是整个体系的治理规则和制度安排。

大数据将重新定义企业资产和基础设施-财资一家

▲图  数字经济2.0的四层架构

来源：阿里研究院

数据作为数字经济2.0 的核心生产资料和生产要素，价值体现需要利用支撑层的技术群落实现：从数据端（App或智能终端）产生，通过网络传输到云端，在云端的大数据平台上进行存储、处理、共享和分析，通过深度学习等人工智能相关算法实现数据在不同业务场景的应用价值。

大量传统企业进行了多年的信息化建设，搭建了信息系统，产生了大量数据，但这些数据大多是作为附属物而存在，可以称之为死数据，无法产生真正的经济价值。数据只是收集、分析和查询，无法真正支撑决策和预测，经验还是主导因素。数据以局部流动为主，数据的互联互通很难，数据收集、处理的技术成本高昂。

数字经济2.0是在线产生的数据，是活数据。数据用于记录、反馈和提升互动体验，过往杂乱、无用、静态的数据因为在线而变得鲜活，数据拥有了生命，能够用于量化决策与预测。发掘数据价值的技术成本降低，数据可以用在全局流程及价值优化，并且实现真正的数据业务化，产生新的社会经济价值。以阿里巴巴为例，基于淘宝和天猫的大量消费者和商家数据，支撑起了蚂蚁小贷、芝麻信用等相关业务。

案例：蚂蚁小贷归功于互联网，蚂蚁小贷能够分享潜在客户的诸多数据，比如这些淘宝卖家正在卖哪些商品、生意好不好，又比如卖家经营店铺勤快与否（例如，客服旺旺的回复速度，每天经营时间的长短等）、之前是否有过不诚信的行为，等等，这些数据的丰富度、准确度远高于传统银行能采集到的贷款者信息。蚂蚁小贷拥有数据的优势，但如何运用好这些数据？“算法”至关重要。蚂蚁小贷的算法工程师们就建立了一套算法模型来处理这些海量数据，给每位客户的“信用”打分，从而区分出欠贷不还的“坏人”和准时还贷的“好人”。基于算法模型的客户信用分值，成为蚂蚁小贷回答“贷不贷”这个问题的核心依据。与传统数据分析不同，基于在线数据和算法的模型能够进行实时迭代。一方面，新数据的不断涌入，客户的每一单交易、每一次上线、每一次还款，原则上每时每刻都在改变“信用”分值。另一方面，算法模型也能迭代。事实上，客户借还款的数据，会实时反馈到蚂蚁小贷的数据池中，多个算法模型据此实时优化——哪些维度的指标应当被纳入或清除出模型、客户的哪些行为特质应该被赋予更高的权重、在不同的情形下哪些算法模型有更高的准确度，在蚂蚁小贷，这些算法模型更新的频率以“周”计，而即便在传统金融数据化程度极高的美国，一次更新往往也需要6个月。

最后，蚂蚁小贷还将上述数据智能创造性地融入到小微贷款这一商业场景中，设计出一款高效的互联网产品。淘宝卖家可以在运营平台上直接申请贷款。平台一方面依据客户的全方位数据、用一系列算法模型“算出”对每一位客户的贷款额度、利率；另一方面也成为一个客户反馈的管道，基于客户的行为，数据会实时更新，而且实时检验着蚂蚁小贷“算”得“准不准”，算法模型也据此实时优化。

从大数据技术而言，包括了数据采集、数据挖掘、分析建模、数据仓库、数据集市、计算处理、可视化、数据工厂、数据平台等。一般来说，数据平台可以分为：数据整合平台、数据管理平台、以及数据应用平台。数据整合平台指的是把数据从源系统进行收集和整合、加工处理、存储和共享的平台。数据整合平台的首要目标是形成企业级统一、共享的整合数据，为后续的数据应用提供基础。数据集市、数据仓库、数据工厂都属于数据整合平台的范围。

区别于传统的数据整合平台，大数据平台架构由于其处理的数据类型和性质而与传统平台存在较大不同。在此前已经和大家聊过大数据的特点，那么大数据平台比较特别的地方就在于它可以高效处理海量的历史数据、外部数据、特别是非结构化数据，一般是基于Hadoop分布式架构，具有高效性、高容错性和高扩展性的特点。而传统的数据整合平台（如数据仓库）多为关系型数据库，仅仅比较擅长处理结构化的数据。

若将大数据分析分为四个层次，大数据技术的主要应用于数据架构和信息整合（第1层＋第2层），可实现初步的分析和决策（第3层）。非结构化数据体系下，人工建模＋数据已经难以满足数据分析需求。由于传统数据分析模型对于多维度、多形态的数据存在不适用的情况，因此该类技术应用仅仅是大数据分析的初级阶段。

大数据将重新定义企业资产和基础设施-财资一家

▲图 大数据和机器学习是数据计算分析的未来

来源：36氪研究院

大数据＋机器学习是数据计算分析的未来。在目前的状态下，数据体量异常巨大、数据类型异常繁多、价值密度极低，因此需要通过更为强大的机器算法能够实现模型的迅速矫正。人工智能在财务与金融领域中的应用（详见“财资科技赋能财务与金融系列主题之人工智能”，财资中国杂志2017年10月刊），相较于大数据而言的核心突破在于深度学习、智能分析和最终的智能决策。大数据、云计算、智能硬件以及后续的区块链技术等都是支撑人工智能上层技术的基础。

智能数据分析在财务与金融领域涵盖了头寸管理、现金流预测、投融资、智能交易，以及风险管理和商业洞察。举例而言，数据分析可以帮助首席财务官开展广泛的增值工作，包括先进的情境规划、项目选择和优先排序、库存规划、动态现金流模拟、绩效推动要素分析和资本分配优化。

对数据挖掘和高级分析技能的需求日益增长为财资管理人士带来了重要机遇。财资管理者通过专业训练和日久积累，能够将自己对数据的敏感性和数据分析的核心技能应用到企业的非财资数据和其他数据中，将非结构数据和行为数据结构化。在未来5至10年内，随着企业互联网化和数据积累，财资管理部门可能实现从职能部门演变成服务部门乃至关键业务服务部门的质变，并处于战略决策和神经中枢、大数据中心的核心位置。

随着部门定位的改变，财资管理者的职能角色也将发生重大转变，甚至被重新定义。其职责将超越“记录和监控”资金数据和账目，发展为“管理和运营”企业所有资产的数据。在大型跨国企业的财资管理部门，新的职责包括：协助管理数据从原系统到大数据系统的转移，建立大数据枢纽中心；与IT、业务部门等密切配合，将分散孤立的数据进行有效整合，建立大数据聚合中心；与产业链、外部资本市场进行数据连接，建立大数据交易中心。

数字经济是以交易和账户为中心的经济体系，交易效率远远超过生产效率，这不同于以生产为中心的工业经济体系。在数字经济下专业平台的财资运行过程中，“数据＋交易＋算法”的运营方式日益主流，并最终趋向于一个“智能化交易处理＋智慧化财资管理”的形态。数据成为资产，不仅仅发生在企业内部，同样使整个产业链发生了变化：一是产业链的全链条信息化、数字化进程加速，二是金融服务越来越重视交易数据和行为数据的收集和挖掘（交易数据成为企业优质资产，数据质押已是现实），三是产业链核心企业呈现平台化、生态化趋势，并加快布局和主导产业数字战略。CEO、CFO和财资决策者越来越认识到数据的价值（经营数据、财务数据和交易数据），积极寻找优质的数据，并转化为企业资产，纳入到企业的数字战略和商业驱动计划中。